學(xué)習(xí)文檔:https://cran.r-project.org/web/packages/NMF/vignettes/heatmaps.pdf
Heatmap引擎
NMF包中的熱圖引擎是由aheatmap函數(shù)實(shí)現(xiàn)愉昆，其余的熱圖函數(shù)都是基于它的修改罪帖。而aheatmap函數(shù)本身又是pheatmap包pheatmap函數(shù)的修改版本谊路。引擎具體的優(yōu)點(diǎn)作者有在文檔是寫(xiě)法焰，我就不嘮叨了空繁。
數(shù)據(jù)和模型
為了演示熱圖函數(shù)的用法赡矢，我們這里創(chuàng)建一個(gè)隨機(jī)的NMF輸入矩陣隔缀，以及一些注釋和協(xié)變量闻镶。
library(NMF)
#> 載入需要的程輯包：pkgmaker
#> 載入需要的程輯包：registry
#>
#> 載入程輯包：'pkgmaker'
#> The following object is masked from 'package:base':
#>
#> isFALSE
#> 載入需要的程輯包：rngtools
#> 載入需要的程輯包：cluster
#> NMF - BioConductor layer [OK] | Shared memory capabilities [NO: bigmemory] | Cores 7/8
#> To enable shared memory capabilities, try: install.extras('
#> NMF
#> ')
# random data that follow an 3-rank NMF model (with quite some noise: sd=2)
X <- syntheticNMF(100, 3, 20, noise=2)
# row annotations and covariates
n <- nrow(X)
d <- rnorm(n)
e <- unlist(mapply(rep, c('X', 'Y', 'Z'), 10))
e <- c(e, rep(NA, n-length(e)))
rdata <- data.frame(Var=d, Type=e)
# column annotations and covariates
p <- ncol(X)
a <- sample(c('alpha', 'beta', 'gamma'), p, replace=TRUE)
c <- rnorm(p)
# gather them in a data.frame
covariates <- data.frame(a, X$pData, c)
查看下生成的注釋數(shù)據(jù)：
head(rdata)
#> Var Type
#> 1 0.5827 X
#> 2 0.8211 X
#> 3 -0.4373 X
#> 4 0.5508 X
#> 5 -2.2094 X
#> 6 -0.0232 X
head(covariates)
#> a Group c
#> 1 alpha 1 0.271
#> 2 beta 1 1.379
#> 3 alpha 1 1.484
#> 4 beta 1 0.918
#> 5 beta 1 1.099
#> 6 alpha 1 -1.045
這里X實(shí)際是一個(gè)矩陣，rdata是行注釋?zhuān)?code>covariates是列注釋。
下面畫(huà)圖：
par(mfrow = c(1, 2))
aheatmap(X, annCol = covariates, annRow = X$fData)
aheatmap(X)
接著勉盅，我們使用NMF模型來(lái)分解矩陣佑颇。
res = nmf(X, 3, nrun = 10)
混合系數(shù)矩陣：coefmap
NMF結(jié)果的混合系數(shù)矩陣可以使用coefmap()函數(shù)進(jìn)行繪制。該函數(shù)默認(rèn)添加2個(gè)注釋通道用來(lái)展示從最佳擬合結(jié)果中獲得的簇（聚類(lèi)數(shù)）和一致性矩陣的層次聚類(lèi)草娜。在圖例中挑胸，這兩個(gè)通道分別以basis和consensus命名。對(duì)于一個(gè)簡(jiǎn)單的NMF模型結(jié)果宰闰，一致性數(shù)據(jù)是不能顯示的茬贵，只能通過(guò)最佳擬合進(jìn)行聚類(lèi)。
opar = par(mfrow = c(1, 2))
# coefmap from multiple run fit: includes a consensus track
coefmap(res)
# coefmap of a single run fit: no consensus track
coefmap(minfit(res))
par(opar)
默認(rèn)情況下：
- 行沒(méi)有排序
- 列使用
aheatmap的默認(rèn)順序移袍，不過(guò)設(shè)置Colv="basis"就能讓列根據(jù)由主導(dǎo)的basis組分定義的類(lèi)進(jìn)行排序解藻。或者設(shè)置Colv="consensus"讓列以consensus矩陣排序 - 每一列和為1（刻度化過(guò)）
- 調(diào)色板使用RColorBrewer包提供的“Y10rRd”葡盗，有50個(gè)刻度
如果想讓coefmap()顯示aheatmap()函數(shù)的默認(rèn)形式舆逃，設(shè)置Rowv=TRUE, Colv=TRUE, scale='none'。
自動(dòng)注釋的通道可以使用tracks=NA進(jìn)行隱藏戳粒，或者設(shè)置一個(gè)（tracks=':basis'或tracks='basis:'可以分別設(shè)置行注釋或列注釋?zhuān)┞肥ǎ瑘D例名可以以tracks=c(Metagene=':basis', 'consensus')的形式進(jìn)行修改。除此之外蔚约，利用annCol參數(shù)可以添加用戶設(shè)定的手動(dòng)注釋奄妨。
opar = par(mfrow = c(1,2))
# removing all automatic annotation tracks
coefmap(res, tracks = NA)
# customized plot
coefmap(res, Colv = 'euclidean',
main = "Metagene contributions in each sample", labCol = NULL,
annRow = list(Metagene = ":basis"), annCol = list(':basis', Class = a, Index = c),
annColors = list(Metagene = 'Set2'),
info = TRUE)
par(opar)
基底矩陣：basismap
基底矩陣可以使用basismap函數(shù)進(jìn)行繪制，默認(rèn)的行為是添加basis注釋通道苹祟，每一行顯示主導(dǎo)的基底組分砸抛，即每一行有最高負(fù)載的基底組分。
opar <- par(mfrow=c(1,2))
# default plot
basismap(res)
# customized plot: only use row special annotation track.
basismap(res, main="Metagenes", annRow=list(d, e), tracks=c(Metagene=':basis'))
par(opar)
默認(rèn)情況下：
- 列沒(méi)有排序
- 行根據(jù)默認(rèn)的層次聚類(lèi)得到的距離進(jìn)行排序（
eculidean和complete） - 每一行和為1
- 調(diào)色板使用RColorBrewer包提供的“Y10rRd”树枫，有50個(gè)刻度
一致性矩陣：consensusmap
當(dāng)使用NMF進(jìn)行矩陣的時(shí)候直焙，一種評(píng)估基于指定rank評(píng)估聚類(lèi)穩(wěn)定性的方法是考慮由多個(gè)獨(dú)立NMF運(yùn)行結(jié)果計(jì)算得到的連接矩陣。有篇不錯(cuò)的中文博文講的比較清晰砂轻，建議看看奔誓。
單個(gè)擬合
我們所用數(shù)據(jù)res設(shè)定的參數(shù)是nrun=10，因此包含了10次運(yùn)行得到的最佳結(jié)果以及基于所有運(yùn)行的一致性矩陣搔涝。
opar <- par(mfrow=c(1,2))
# default plot
consensusmap(res)
# customized plot
consensusmap(res, annCol=covariates, annColors=list(c='blue')
, labCol='sample ', main='Cluster stability'
, sub='Consensus matrix and all covariates')
par(opar)
很顯然這是一個(gè)對(duì)稱矩陣厨喂，結(jié)果看上一半或者下一半都可以。
同一方法庄呈，計(jì)算多個(gè)rank的結(jié)果
函數(shù)nmf可以接受一組rank序列用來(lái)擬合多個(gè)不同的rank的結(jié)果蜕煌。
res2_7 <- nmf(X, 2:7, nrun=10, .options='v')
然后可以同樣的畫(huà)圖
consensusmap(res2_7)
單個(gè)rank，多種方法
可以比較同一rank不同方法的結(jié)果诬留。
res_methods <- nmf(X, 3, list('lee', 'brunet', 'nsNMF'), nrun=10)
class(res_methods)
consensusmap(res_methods)
通用熱圖引擎：aheatmap
還有很多自定義畫(huà)熱圖的例子斜纪，使用下面的命令查看贫母。
demo('aheatmap')
# or
demo('heatmaps')
